TP 2 : Importation et exportation de données Les outils graphiques de

Transcription

1 TP 2 : Importation et exportation de données Les outils graphiques de Consulter les données disponibles sur Consulter les données disponibles sur les packages chargées en mémoire : data( Consulter les données disponibles sur tous les packages du poste : data(package =.packages(all.available = TRUE Lire les données d un fichier peut lire les données stockées dans des fichiers texte (ASCII grâce, entre autres, aux fonctions suivantes : read.table(, scan(. Lorsque les données ont été sauvegardées sous le format propriétaire d'un logiciel statistique tiers, il est nécessaire de disposer d'outils permettant leur transfert vers le système. La librairie foreign offre ces outils pour une sélection des logiciels statistiques les plus courants, à savoir SAS, SPSS et Stata. Par exemple, la fonction read.spss prend en charge les données enregistrées au moyen des commandes save et export de SPSS. Par ailleurs, la fonction read.xls du package gdata fournit les outils pour lire des fichiers au format excel. Pour plus d informations, je vous renvoie au document proposé par le «R development core team» disponible gratuitement sur internet à l adresse suivante : Dans ce TP, nous nous limitons à la lecture des fichiers au format ASCII. Utilisation de la fonction read.table( Importer dans un objet nommé A le jeu de donné nommé auto2004_original.txt A = read.table('chemin/auto2004_original.txt', header = TRUE, sep = '\t' Importer dans un objet nommé B le jeu de donnée auto2004_sans_nom.txt B = read.table('chemin/auto2004_sans_nom.txt', sep = '\t' Importer dans un objet nommé C le jeu de donnée auto2004_virgule.txt C = read.table('chemin/auto2004_virgule.txt', header = TRUE, sep = '\t', dec =, Importer dans un objet nommé D le jeu de donnée auto_don_manquante.txt D = read.table('chemin/auto2004_don_manquante.txt', header = TRUE, sep = '\t'

2 Importer dans un objet nommé E le jeu de donnée auto_don_manquante(99999.txt E = read.table('chemin/auto2004_don_manquante(99999.txt', header = TRUE, sep = '\t', na.strings = Quel est le mode des objets créer par la fonction read.table(? Le mode des objets crées par la fonction read.table est la data.frame : is.data.frame(a Remarque : on peut créer des objets d un autre mode que data.frame en utilisant la fonction scan(. Nous ne traiterons pas cette situation dans le TP. Enregistrer des données Créer la matrice suivante : matrice = matrix(1:25, 5, 5 Sauver la matrice sous le nom de matrice.txt à une adresse valide. Que remarquez vous? write.table(matrice, 'chemin/matrice.txt' On remarque que par défaut les lignes et les colonnes sont nommées Ajouter des arguments à la commande précédente pour retirer des noms aux lignes et aux colonnes du fichier crée. write.table(matrice, 'chemin/matrice.txt', row.names = F, col.names = F Sauvegarder la data.frame A dans le fichier nommé auto.txt write.table(a,chemin/auto.txt' Sauver les objets disponibles en mémoire vive à l adresse /chemin/donnees.rdata save(list = ls(all = TRUE, file = "/chemin/donnees.rdata" Remarque : Si on ne spécifie pas le chemin de sauvegarde, sauve les données à l adresse données par la fonction getwd(. On peut modifier le chemin par défaut grâce à la fonction setwd( Par exemple : (setwd("/documents/donnees". Sauver les objets disponibles en mémoire vive à l adresse "/chemin/" grâce à la commande setwd( setwd("/chemin/" save.image(

3 Les graphiques propose de nombreux outils graphiques pour l analyse et la visualisation des données. On peut avoir un aperçu des possibilités graphiques de grâce à la commande demo(graphics. Gestion des fenêtres graphiques Créer la partition suivante : mat1 = matrix(c(1, 2, 3, 3, 2, 2 layout(mat1 layout.show(3 Créer la partition graphique suivante : mat2 = matrix(c(1, 2, 2, 3, 3, 4, 3, 2 layout(mat2 layout.show(4

4 Utilisation de fonctions graphiques de Utilisation de la fonction plot( Première exercice Créer une matrice, mat1, composée de 100 lignes et deux colonnes ; chacune des colonnes des vecteurs aléatoires de loi normale centrée et de variance 1. mat1 = matrix(rnorm(200, 0, 1, 100, 2 Créer une matrice, mat2, composée de 100 lignes et deux colonnes ; chacune des colonnes étant des vecteurs aléatoires de loi normale de moyenne 1 et de variance 1. mat2 = matrix(rnorm(200, mean = 1, sd = 0.5, 100, 2 Tracer le graphe bivarié de la première colonne de mat1 sur la deuxième colonne de mat1 plot(mat1 Ajouter aux graphe précédent le graphe bivarié de la première colonne de mat2 sur la deuxième colonne de mat2. Que constatez vous? Remarque : On utilisera des couleurs différentes pour distinguer les points de mat1 des points de mat2. Pour connaître la liste des couleurs disponible sur, tapez la commande colors(. plot(mat1, col = "blue" points(mat2, col = "red" On constate que les points de mat2 ne sont afficher que dans le graphique définit par les bornes de mat1. Utiliser les arguments xlim et ylim pour contourner cette problématique. mat = rbind(mat1, mat2 plot(mat1, col = "blue", xlim = range(mat[,1], ylim = range(mat[,2], main = "représentation d'un nuage de points", xlab = "X1", ylab = "X2" points(mat2, col = "red" Utiliser les options de la fonction plot( pour générer un graphique esthétique Par exemple : plot(1, xlim = range(mat[,1], ylim = range(mat[, 2], main = "représentation d'un nuage de points", xlab = "X1", ylab = "X2", bty = "l", tcl = -.25 rect(-3, -3, 3, 3, col = "cornsilk"

5 points(mat1, col = "blue", pch = 22, bg = "red" points(mat2, col = "red", pch = 25, bg = "yellow" Deuxième exercice Dans le package datasets est disponible le jeu de données iris. Charger ce jeu de données en mémoire data(iris Quel est le mode de ce jeu de données? Ce jeu de données est une data.frame Convertir le jeu de données iris en une matrice nommé matrice_iris matrice_iris = as.matrix(iris[, 1:4] Tapez la commande plot(matrice_iris. Que construit la fonction plot( dans le cadre des matrices? Dans le cadre de matrices la fonction plot( trace le graphe de la première colonne de la matrice sur la deuxième. Construire le graphique composé de tous les graphiques bivariés du jeu de données Iris (à partir de matrice_iris. Ajouter une forme et une couleur aux points en fonction de l espèce Ajouter un titre et un label. pairs(matrice_iris[,1:4], bg = c("red", "green3","blue"[as.numeric(iris[, 5]], pch = c(21, 25, 24[iris[,5]], main = "Iris de Fisher", labels = c("longueur\nsepale", "Largeur\nSepale", "Longueur\nPetale", "Largeur\nPetale" fonction plot( dans le cadre d une data.frame Troisième exercice Charger en mémoire le jeu de données iris disponible dans le package datasets. Ce jeu de données est une data.frame. Tapez la commande plot(iris. Que constatez-vous? On constate que dans le cadre des data.frame la fonction plot trace toutes les combinaisons possible de graphes bivariés.

6 Faire un graphique esthétique du jeu de données iris (couleur, titre, forme, labels, etc Par exemple : plot(iris[,1:4], bg = c("red", "green3","blue"[iris[,5]], pch = c(21, 25, 24[iris[,5]], main = "Iris de Fisher", labels = c("longueur\nsepale", "Largeur\nSepale", "Longueur\nPetale", "Largeur\nPetale" Utilisation de la fonction hist( Quatrième exercice Interessons nous aux liens entre le temps d attente entre deux éruptions et la durée des éruptions pour le «old faithful geyser» du parc national du Yellowstone (Wyoming, Etats- Unis. Ce jeu de données nommé faithful est disponible dans le package datasets. Losrqu on tape la commande?faithful, on obtient un descriptif du jeu de données. Visualiser le jeu de données faithful par l intermédiaire de la fonction plot. Définisser un seuil critique d attente au delà duquel, la probabilité que la prochaine éruption soit longue, soit forte. Posons le seuil critique arbitrairement à 63. Construire un histogramme de la durée d éruption. Ajouter un titre, labeliser l axe des abscisses, colorer les barres de l histogramme en vert, colorer les traits de l histogramme en rouge et représenter l histogramme en terme de fréquence plutôt qu en termes d effectifs. hist(faithful$eruptions, col = "green", border = "red", proba = TRUE, main = "histogramme du temps des eruptions", xlab = "le old faithful geyser" Augmenter la taille du pas de l histogramme à 20 et ajuster une loi normale à cet histogramme. Que remarque t on? hist(faithful$eruptions, col = "green", border = "red", proba = TRUE, main = "histogramme du temps des eruptions", xlab = "le old faithful geyser", breaks = 20 x = seq(from = 1.5, to = 5, length = 500

7 y = dnorm(x, mean = mean(faithful$eruptions, sd=sd(faithful$eruptions lines(x, y, col = "brown" mtext("ajustement à une loi normale" L ajustement à une loi normale n est pas adéquat. Utilisation des estimateurs locaux de la densité Superposer à l histogramme les estimateurs locaux de la densité associés aux paramètres d ajustement 0.1, 0.3, 0.8 et 1. hist(faithful$eruptions, col = "yellow", border = "green", proba = TRUE, main = "histogramme du temps des ruptions", xlab = "le old faithful geyser", breaks = 20 lines(density(faithful$eruptions, adj =.1, type='l', col='red', lwd=1 lines(density(faithful$eruptions, adj =.3, type='l', col='green', lwd=1 lines(density(faithful$eruptions, adj =.8, type='l', col='blue', lwd=1 lines(density(faithful$eruptions, adj = 1, type='l', col='black', lwd=1 On s apercoit que l estimateur local de la densité associé à un coefficient d ajustement de 0.1 dépasse de la fenêtre graphique. Imposer donc des contraintes à la taille de l axe des ordonnées. hist(faithful$eruptions, col = "yellow", border = "green", proba = TRUE, main = "histogramme du temps des ruptions", xlab = "le old faithful geyser", breaks = 20, ylim = c(0, 1 lines(density(faithful$eruptions, adj =.1, type='l', col='red', lwd=1 lines(density(faithful$eruptions, adj =.3, type='l', col='green', lwd=1 lines(density(faithful$eruptions, adj =.8, type='l', col='blue', lwd=1 lines(density(faithful$eruptions, adj = 1, type='l', col='black', lwd=1

8 Utilisation de la fonction boxplot( Partitionner votre graphique en deux dans le sens horizontal. vecteur = t(1:2 layout(vecteur Dans le premier cadre de la partition, tracer les boîtes à moustache associé aux durées d éruption conditionnellement aux temps d attente entre deux éruptions boxplot(faithful$eruption ~ faithful$waiting Dans le second cadre de la partition, utiliser le seuil calculé précédemment pour construire deux boites à moustache associé aux durées d éruption conditionnellement aux temps d attente entre deux éruptions. L une codant les séisme court et l autre codant les séisme long. Pour ce faire créer une variable égale à court si waiting est inférieur au seuil et à long si waiting est supérieur au seuil. Y = character(272 Y[faithful$waiting > 63] = "long" Y[faithful$waiting <= 63] = "court" Y = as.factor(y boxplot(faithful$eruption ~ Y Décorer le graphique (Couleur, label, titre et rajouter un indicateur de densité. boxplot(faithful$eruption ~ Y, col = c("yellow", "red", main = "boxplot en fonction de la duree du seisme", xlab = "court vs long" rug(faithful$eruption, side = 2 Utilisation de la fonction pie( On souhaite visualiser, via les boîtes à moustache, la proportion de séisme dont la durré est supérieur à 3 minutes. Y = numeric(272 Y[faithful$eruption > 3] = 1 Y[faithful$eruption <= 3] = 0 Pourcentage_court = length(y[y == 0]/nrow(faithful Pourcentage_long = length(y[y == 1]/nrow(faithful Seisme = c(pourcentage_court, Pourcentage_long names(seisme = c("seisme long", "seisme court" pie(seisme, col = c("yellow", "red", main = "duree des seismes", border = NA

9 Utilisation des packages grid et lattice Charger le package lattice en mémoire library(lattice Nous allons illustrer l utilisation les fonctions du package lattice à l aide du jeu de données bordeaux_r.txt. Il s agit d un jeu de données qui fournit la qualité de vin de bordeaux (QUALITE en fonction de 4 facteurs (TEMPERAT, SOLEIL, CHALEUR, PLUIE Télécharger le jeu de données Bordeaux_R.txt à l adresse suivante : Charger en mémoire ce jeu de données sur. A = read.table('/chemin/bordeaux_r.txt', header = TRUE, sep = '\t' TEMPERAT = somme des températures moyennes journalières ( C SOLEIL = Durée d insolation (h CHALEUR = Nombre de jours de grande chaleur PLUIE = hauteur de pluie en (mm QUALITÉ : 1 = BON, 2 = MOYEN et 3 = MÉDIOCRE On souhaite évaluer l impact des différents variables sur la qualité des vins de bordeaux. Tracer les estimateurs de la densité de chacune des variables conditionnellement à la qualité. Qu en concluez-vous? densityplot(~ A$TEMPERAT A$QUALITE, xlab = "Temperature", col = "red" densityplot(~ A$SOLEIL A$QUALITE, xlab = "Soleil", col = "Yellow" densityplot(~ A$CHALEUR A$QUALITE, xlab = "Chaleur", col = "green" densityplot(~ A$PLUIE A$QUALITE, xlab = "Pluie", col = "blue" On peut interpréter l influence de chaque variable sur la qualité du produit. Par exemple : A l aide du premier graphique sur la température, on peut remarquer que les meilleurs vins résultent d année de forte température Effectuer la même analyse à l aide des boîtes à moustaches conditionnées bwplot(~ A$TEMPERAT A$QUALITE, xlab = "Temperature", col = "red" bwplot (~ A$SOLEIL A$QUALITE, xlab = "Soleil", col = "Yellow" bwplot (~ A$CHALEUR A$QUALITE, xlab = "Chaleur", col = "green" bwplot (~ A$PLUIE A$QUALITE, xlab = "Pluie", col = "blue" On peut interpréter l influence de chaque variable sur la qualité du produit. Par exemple : A l aide du graphique sur la pluie, on peut remarquer que les meilleurs vins résultent d année plutôt sèche

10 Visualiser les relations entre couple de variables conditionnellement à la qualité. Conclure splom(~a[ 2:5] A$QUALITE, pscale = 0 Par exemple : On remarque qu une année peu pluvieuse jumelée à de forte chaleur fournira des vins de bonne qualité ; ce qui ne semble pas surprenant!! Prochain T.P : Vendredi 17 juin Thème : Analyse statistique avec